[發明專利]風電機組故障診斷知識庫的管理方法、系統及介質

在審

• 申請號: 202210295663.5
• 申請日: 2022-03-23
• 公開（公告）號: CN114757371A
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 朱俊杰;祝金濤;楊玉中;鐘清;李曉燦;金懷康;范吉祥;楊時虎;羅智明;陶明檢;余建川;陳米洋
• 申請（專利權）人: 華能大理風力發電有限公司洱源分公司;中國華能集團清潔能源技術研究院有限公司
• 主分類號: G06Q10/00
• 分類號: G06Q10/00;G06Q10/06;G06Q50/06
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 黃垚琳

1.一種風電機組故障診斷知識庫的管理方法，其特征在于，包括以下步驟：

基于本體的語義，在預設的應用工具中通過相應的本體語言構建風電機組的故障診斷知識庫；

針對故障診斷中的不確定性，構建服從Leaky Noisy-Or假設的結構性因果模型SCM表示故障與征兆之間的因果關系，并向所述結構性因果模型SCM中引入激勵節點和兩類外部隱變量節點，將與或門邏輯應用至所述結構性因果模型SCM中的結構性等式，以構建風電機組的故障診斷模型；

通過所述故障診斷模型對風電機組進行診斷，并向所述故障診斷知識庫中批量導入核驗后的歷史故障診斷案例；

對導入的多個所述案例進行分析，根據每個所述案例的診斷數據對應更新所述故障診斷知識庫中的因果知識和所述故障診斷模型，并整合多個所述案例對隱變量的伯努利分布參數的影響。

2.根據權利要求1所述的管理方法，其特征在于，所述兩類外部隱變量節點包括充分性例外節點和必要性例外節點，其中，

所述充分性例外節點表示在故障發生的條件下，若所述充分性例外節點發生則征兆出現，所述充分性例外節點等于0的概率等價于Leaky Noisy-Or中的失效概率；

所述必要性例外節點包括故障的必要性例外節點和征兆的必要性例外節點，所述必要性例外節點表示在征兆或者故障不發生的條件下所述必要性例外節點不發生，所述征兆的必要性例外節點等于1的概率等價于Leaky Noisy-Or中的泄露概率。

3.根據權利要求2所述的管理方法，其特征在于，所述根據每個所述案例的診斷數據對應更新所述故障診斷知識庫中的因果知識和所述故障診斷模型,包括:

在所述案例中包括所述故障診斷知識庫未出現的新的故障、新的征兆或者新的因果關系的情況下，將所述新的故障、所述新的征兆或者所述新的因果關系添加至所述故障診斷知識庫中作為新的因果知識，并初始化隱變量的概率值；

在所述案例中包括的故障、征兆和故障與征兆之間的因果關系已存在于所述故障診斷知識庫的情況下，更新所述故障的必要性例外節點的概率值和所述因果關系對應的所述充分性節點概率值；

在所述案例中包括的征兆未診斷出確定的模式或原因的情況下，更新所述征兆的必要性節點的概率值。

4.根據權利要求1或2所述的管理方法，其特征在于，通過以下公式計算引入的所述隱變量節點的數量:

N(Hidden)＝N(node)+N(Relation)

其中，N(Hidden)表示引入的隱變量節點數，N(node)表示故障和征兆的數目，N(Relation)表示故障和征兆間二元因果關系的數目。

5.根據權利要求1所述的管理方法，所述將與或門邏輯應用至所述結構性因果模型SCM中的結構性等式，包括：

設置所述激勵節點受故障節點和所述充分性例外節點的共同作用，服從以下公式所示的與門邏輯：

其中，O為激勵節點，F為故障節點，U_O為充分性例外節點；

設置征兆節點受所述激勵節點和所述征兆的必要性例外節點的共同作用，服從以下公式所示的或門邏輯：

其中，S為征兆節點，O_i為任一激勵節點，U_S為征兆的必要性例外節點。

6.根據權利要1所述的管理方法，其特征在于，所述整合多個所述案例對隱變量的伯努利分布參數的影響，包括:

選取貝塔Beta分布作為所述隱變量的伯努利分布參數的先驗分布，并基于貝塔Beta分布，結合所述案例中出現故障的次數和所述案例中未出現故障的次數確定所述隱變量的伯努利分布參數的后驗分布；

根據多個所述案例導入所述故障診斷知識庫中的順序依次更新所述隱變量的伯努利分布參數，包括：將本次更新的后驗概率作為下一次更新的先驗概率；

通過以下公式計算更新后所述隱變量發生的后驗概率：

其中，U是隱變量，μ是伯努利分布參數，E是期望值。